From Headlines to Digests: How Agents Personalize the Firehose

Every morning, millions of people open their phones to the same thing: a flood of headlines. Global politics, tech announcements, market swings, and local stories all compete for attention. Most of it isn’t relevant — but buried somewhere are the few stories that truly matter. تاسو به د دې حل کولو لپاره د "Agent AI" هیپ ته اړتیا نلري. هغه څه چې تاسو اړتیا لرئ، د قوي اساسونو سره ښه ډیزاین شوي وسایلو دي: سیسټمونه چې معلومات ترلاسه کولی شي، د دې پروسس، د دې جوړښت سره غټل کیږي، او دا په یوه ډول وړاندې کوي چې ستاسو په کنټرول کې مناسب وي. لوی ژور ماډلونه دلته ارزښت اضافه کوي - نه په بشپړ حل کې نه وي، مګر له دې امله چې تاسو ته وده ورکړئ، خلاص کړئ او مرسته وکړئ. د افسرونو په اصلي توګه، یو ایجنټ یوازې یو وسایلو دی چې ځینې ټکونو سره اړیکه ونیسئ. په ساده فعالیتونو کې فکر وکړئ چې کولی شي د RPC / API کالونه ترسره کړي، د سرچینو څخه ډاټا ترلاسه کړي، دا پروسس کړئ، او یا دا ته د LLM ته ورسیږي یا دا د نورو ایجنټونو ته د نورو پروسس کولو لپاره ورکړي. In the context of large language models, an agent usually: د انټرنېټونو لکه د څیړنې پايلې، APIs، او یا د کاروونکي لارښوونې له لارې درکوي. د یو LLM سره د لارښوونې له لارې، د دې لپاره چې څه ترټولو مهم وي. د وسایلو په تماس کې عمل کوي، کوډ چلند کوي، یا پایلې وړاندې کوي. ایا تاسو هیڅکله د سیسټم ډیزاین انټرنیټ لپاره چمتو شوي یاست، تاسو به پوه شئ چې د فیډ ډیزاین تل ښودل کیږي: د فیسبوک نیوز فیډ، ټویټر ټیمینګ، یا (که تاسو د 90s کوچنی یاست) د RSS لوستونکي. دا ورته چمتو ده، د LLMs لپاره بیا رسیږي. د ساده شخصي خبرونه ایجنټ تصور وکړئ چې تاسو د اګانو ته چمتو کړئ چې تاسو د ځانګړو ټایټونو په اړه فکر وکړئ: دا درې څه کار کوي: AI، اپل، او Bay Area stories د انټرنټ څخه ترټولو غوره خبرونه ونیسئ. د دې کلماتونو له مخې د پایلو فلټر کړئ. په چټکۍ سره د ډیجیټا کې راټول کړئ. په ځینې ورځو کې، دا به تاسو ته ورکړي: Apple د Siri او iOS اپلیکیشنونو لپاره د نوي انډول AI ماډل وړاندې کوي. د Bay Area د ریل پراختیا پروژې د مالیې تضمین کوي. بازارونه د AI چپس لګښت له خوا د وروستيو چارجر د تیلو وروسته روژه کوي. دا اوس هم مفید دی. د Firehose د مدیریت وړ لیست ته کم شوی. خو دا پټ دی. تاسو نه پوهیږئ چې یو داستان څه مهم دی، یا څنګه دا د نورو سره اړیکه کوي. د ډیری ایجنټونو په کارولو سره د یو واحد monolithic ایجنټ پرته چې هر څه په پایله کې کار کوي، موږ کولی شو د کار د جریان په مختلفو برخو کې تقسیم کړئ. په هر کې د یو واحد مسؤلیت تمرکز شوی. دا ورته اصول دی چې د نیوزلونه: صحافیونه خام مواد راټولوي، څیړونکي یې یادونه ورکوي، تجارتيانو د اړیکو وړاندې کوي، او اډیوډرونه یې د زده کونکو لپاره بسته کوي. specialist agents زموږ د خبرونو پمپ کې، دا د دې په څیر ښکاري: Fetcher Agent - د فایډونو یا API څخه بشپړ خبرونه ترلاسه کوي. Passage Extractor Agent - د هر مقاله کې تر ټولو مهمو برخو ته وده ورکوي. د نامتو entity extractor ایجنټ - د خلکو، شرکتونو، ځایونو او محصولاتو په اړه اشاره کوي. Entity Disambiguation Agent - تضمین کوي چې "Apple" د Apple Inc. دی، نه د فورمه. Entity Tagger Agent - جوړ شوي ټایګونه ورکوي (د بیلګې په توګه، سازمان: Apple، محصول: iPhone). د موضوع کټګوریو کارپوه - په پراخه کټګوریو کې لکه AI، مالیې، Bay Area راټول کوي. Sentiment & Stance Agent - مشخصوي که د پوښونو مثبت، منفي یا نړيوال دي. Tag Summarizer Agent - entities، موضوعات، او احساسات په موضوعي برخو کې راټول کیږي. Fact-Checker Agent - د باور وړ سرچینو په اړه د ادعاونو تصدیق کوي. Personalization & Ranking Agent - د داستانونو ترټولو غوره کوي چې ستاسو علاقه او تاریخ سره مطابقت کوي. Digest کمپیلر ایجنټ - د پیاوړې شوي Digest په یو خواننده دوستانه فارم کې راټولوي. Daily Digest Agent - د پایلې پیکیج (په خپل پته، Slack، یا اپلیکیشن) وړاندې کوي. ځینې ازموینه کار کوي (د بیلګې په توګه، disambiguation باید د استخراج وروسته ولري)، په داسې حال کې چې نورو کولی شي (د موضوع klasification، د احساساتو تحلیل، او entity extraction ټول کولی شي په یو وخت کې په ورته پړاو کې کار وکړي). د پایلې د متخصصانو په ګډه پروپیلن ده، چې د هر واحد ایجنټ څخه ډیر غليظ او تر جوړ شوی دی. sequentially in parallel هغه څه چې داخل کیږي او هغه څه چې خارج کیږي - د ایجنټ انټرنیټونه په لاندې جدول کې خلاص شوی دی چې هر افسر به انتظار وکړي او هغه څه چې دا به ورکړي. زه هم هڅه وکړم چې څنګه افسرونه ممکن د LLM سره اړیکه ونیسئ که دوی اړتيا لري. Agent Inputs Outputs LLM Needed? Fetcher News feed URL, RSS, API query Full article text, metadata (title, URL, timestamp, source) ❌ No — HTTP/API call Passage Extractor Full article text Key passages, passage embeddings ✅ Optional — LLM for salience, or embeddings/TF-IDF Named Entity Extractor Passages Entity list, spans, embeddings ❌/✅ — NER models are faster, LLM can catch novel entities Entity Disambiguation Entity list, context embeddings Resolved entities with canonical IDs (e.g., Wikidata Q312) ✅ Yes — reasoning helps resolve ambiguous names Entity Tagger Disambiguated entities Entities with categories (Org, Person, Product, Location) ❌ No — deterministic classification Topic Classifier Passages, embeddings Topic labels (AI, Finance, Bay Area) ❌/✅ — embeddings + clustering or LLM for nuance Sentiment & Stance Analyzer Passages, entities Sentiment score, stance (supportive/critical/neutral) ✅ Optional — LLM for nuance, or sentiment models for speed Tag Summarizer Tagged entities, topics, sentiment Structured summaries grouped by tag ✅ Yes — summarization requires LLM Fact-Checker Summaries, claims Verified/Unverified claims, supporting references ✅ Yes — requires claim extraction + retrieval reasoning Personalization & Ranking Validated summaries, user profile Ranked/weighted story list ❌ No — ML heuristics suffice Digest Compiler Ranked summaries Final formatted digest (Markdown, HTML, JSON) ❌/✅ — deterministic formatting, LLM optional for tone Daily Digest Compiled digest Delivery package (email, Slack, app notification) ❌ No — just delivery Fetcher د معلوماتو فايبر URL، RSS، API پوښتنې د مقالې بشپړ متن، متاډاټا (تلفزيون، URL، وخت ټیم، سرچینې) نه - د HTTP / API تماس Passage Extractor د مقالې بشپړ متن د کلیدي پړاو، passage embeddings ✅ اختیاري - د salience لپاره LLM، یا embeddings / TF-IDF Named Entity Extractor د سفرونو د انټرنټ لیست، spans، embeddings ❌/✅ — د NER ماډلونه چټک دي، LLM کولی شي د نوښتونو په لټه کې وي Entity Disambiguation د انټرنټ لیست، context embeddings د کانونیک ID سره حل شوي انټرنټونه (د مثال په توګه، Wikidata Q312) ✅ بله - دلیلونه د دوامداره نومونو حل کې مرسته کوي Entity Tagger د بیلابیلو entities د کټګوریو سره entities (Org، شخص، محصول، موقعیت) نه - Deterministic ټولګي Topic Classifier پړاوونه، embeddings موضوع ټایټونه (AI، مالیې، Bay Area) ❌/✅ — د نندارتونونو + کلسترونه یا LLM د نندارتونونو لپاره Sentiment & Stance Analyzer پته، entities د احساس کچه، موقف (د ملاتړ / انتقادي / نړيوال) ✅ اختیاري - د نندارتون لپاره LLM، یا د سرعت لپاره د احساساتو ماډلونه Tag Summarizer Tagged entities، موضوعات، احساسات د Tag لخوا ګروپ شوي ترکیبونه ✅ بله - د مجموعې ته اړتيا لري LLM Fact-Checker خلاصې، ادعا د تصدیق شوي / غیر تصدیق شوي ادعاونه، د پیژندنې ملاتړ ✅ بله - اړتيا لري د ادعا اخراج + د ترلاسه کولو دلیل Personalization & Ranking Validated خلاصې، د کاروونکي پروفایل Ranked / وزن شوي تاریخ لیست نه - د ML heuristics کافی Digest Compiler ټولې خلاصې د Final Formated Digest (Markdown، HTML، JSON) /✅ — د Deterministic Formating، د ټون لپاره LLM اختیاري Daily Digest د سپارلو Digest د سپارلو بسته (Email، Slack، اپلیکیشن خبرتیا) نه - یوازې د سپارلو ځینې افسرونه د LLM دلیلونو ته اړتيا لري، نورو د رڼا او deterministic دي. دا تقسیم مهمه ده: د تولید لپاره، تاسو به د LLM تماسونو په کم ډول (د لګښت او رخصتۍ ذخیره کولو لپاره) ته اړتیا لرئ، د دې لپاره چې دوی د منطق کولو لپاره سخت کارونه لکه disambiguation، summarization، او واقعیت چمتو کولو لپاره خوندي دي. زه هڅه وکړم چې د رخصتۍ څنګه ښکاري. د واقعي مثال: د Bay Area زلزله ایا موږ زموږ د پایپینډ له لارې یو حقیقي مقاله چلند کوو. داستان: Title: د 3.2 کچه زلزله د پلیاسټون په ساحه کې راټول د 3.2 کچه زلزله د پلیاسټون په ساحه کې راټول CBS Bay Area، د سپتمبر 7، 2025 Source: Snippet: "د متحده ایاالتو جیوولوژیکي سروې لخوا د سپتمبر صبح په ساحه کې د 3.2 کچه د زلزله غلظت شوی. د زلزله د 10 صبح وروسته، د پیازینټون په شمال کې د 3 مایل په اړه غلظت شوی. د ایټیټ بی په پراخه کچه ساکنانو د ضعیف رطوبت راپور ورکړي. د ضعیف ضعیفې خبر نه دی." د افسرونو هر ډول مسئولیتونه لاندې خلاص شوي دي: Fetcher Agent: د مقالې متن ډکوي. Passage Extractor: د زلزله حجم، وخت، موقعیت، او تشناب ته وده ورکوي. Entity Extractor: د Pleasanton، USGS، East Bay مشخصوي. Entity Disambiguation: د Pleasanton، CA، او د متحده ایاالتو ګيوالوژیکي سروې ته حل کیږي. Entity Tagger: ټولګي Pleasanton → موقعیت؛ USGS → سازمان. موضوع کټګوریو: لکه د طبیعي زلزله، محلي خبرونه، د زلزله. د احساس او موقف: نړيوال، معلوماتي. Tag Summarizer: : “A 3.2-magnitude quake hit Pleasanton; residents felt weak shaking.” Local News : “USGS confirmed the quake’s magnitude; no damage reported.” Natural Disaster Fact-Checker: د USGS له لارې حجم تایید کوي او د Patch له لارې راپور ورکوي. Personalization & Ranking: د محلي خبرونو ته وده ورکوي (د ګرځنده پروفایل په Bay Area کې وزن لري). Digest کمپیلر + ترانسپورت: د ایمیل سره د موضوع "Your Bay Area Update - Earthquake Alert" وړاندې کوي. هغه څه چې د خام مخکښ په توګه پیل شو، د جوړ شوي، رتبه بندی شوي، واقعیت چک شوي ډیزاین شوی. د خبرونو څخه بهر: د نورو تغذیهونو ته عام کول هغه څه چې د دې ایجنټونه پایپ کې قدرت لري دا ده چې په دې کې هیڅ څه یوازې د خبرونو سره تړل نه کیږي. دا په حقیقت کې یو څه دی. . framework for taking any content feed → extracting structure → producing a personalized digest موږ د یو بل مثال لرو: . arXiv papers هر ورځ، د څېړونکو لپاره د هڅې د خبرونو سره ورته دی: ډیری حجم، ډیری وخت، او یوازې ځینې کاغذونه په حقیقت کې مهم دي. څنګه د ورته ایجنټونه کاروي Fetcher Agent د انټرنېټ: arXiv RSS feed یا API پوښتنې. د محصول: د کاغذ میټاباټاټا (تلفزيون، جوړونکي، خلاصې، ټولګي). Passage Extractor Agent د نندارتون: Abstract Text. د محصول: د کلیدي بیانات (د ستونزو بیان، روش، پایلې). Named Entity Extractor Agent د نندارتون: Abstract د محصول: لکه "Transformer" ، "Federated learning" ، "TPU v5e" Entity Disambiguation Agent Input: Entities + context. د صادراتو: د کانونیک ID لینکونه (د مثال په توګه، arXiv موضوع کوډونه، ویکیپیڈیا ورژنونه). Entity Tagger Agent Input: د حل شوي entities. د محصول: ټولګي: algorithm، Dataset، Hardware، Domain. Topic Classifier Agent د نندارتون: Abstract embeddings. د محصول: لکه {Deep Learning، Reinforcement Learning، Distributed Systems} ټکولونه. Sentiment & Stance Agent Input: Abstract. د محصول: "د مثبت پايلې" (د نمونوي د SOTA سره 2٪) او "د انتقالي" (د کاغذ د مخکښ ادعا د انکار). Tag Summarizer Agent د انټرنټ: Entities + موضوعات. Output: : “New optimizer reduces GPU communication overhead by 30%.” Distributed Training : “Transformer variant improves long-context understanding.” NLP Fact-Checker Agent Input: په abstract کې ادعاونه. د محصول: د معیارونو په اړه د اصلي تصدیق، مخکې arXiv کاغذونه. Personalization & Ranking Agent د انټرنېټ: خلاصې + د کارن پروفایل. د محصول: د وزن لیست - د مثال په توګه، ML (0.9)، سیستم (0.7)، تخنیک (0.2). Digest Compiler Agent د محصول: د ورځني "Research Digest" د هغه موضوعاتو له مخې چې تاسو اړتیا لرئ. Daily Digest Agent د صادراتو: ایمیل / Slack پیغام په نوم کې "د څیړنې اپ ڈیټونه - د سپتمبر 7، 2025." د محصول د مثال Machine Learning د توزیع شوي روزنې لپاره یو نوی optimizer د GPU اړیکو په پرتله 30٪ کموي. " "Transformer Variant د اوږدې مودې درک ښه کوي." Systems "د TPU کاري بارونو لپاره د نوښت چیک پینټینګ لارښوونې د باور وړتیا ښه کوي." Theory "د کاغذ د عالي مقناطیسي ترتیباتو کې د ضخامت لوښی په اړه د مخکښ محدودیتونو ته انکار کوي." د عمومي اصول که څه هم دا دی: اخبارات (د سیاست، د مالیې، Bay Area محلي روزنې)، د تعلیق شوي سندونه (arXiv، PubMed)، د شرکتونو داخلي راپورونه (لګونه، د نمونې ډیزاین بورډونه)، ... د ورته . agent pipeline applies تاسو تل کار کوي: Fetch محتویات د سفرونو څخه اخلي. د entities identify، د دوی د نښلیدو. Tag او classify. د مجموعې او حقیقت چیک. د کاروونکي پروفایل پر بنسټ. د سپارلو په توګه د digest. دا د ، او ایجنټونه د دې عملیاتو لپاره یو طبيعي لاره ده. feed-to-digest pattern MCP: د پروتوکول چې افسرونه خبرې کوي کله چې تاسو د ډیرو اګانو په ګډه چڼاسکه کړئ، د دوو لوی چالونه شتون لري: — How does the Passage Extractor know how to hand results to the Entity Disambiguation Agent? Inter-agent communication — How do agents fetch data from APIs (like arXiv, USGS, or RSS feeds) without each agent reinventing its own protocol? External integrations دا دی چې د داخل MCP (Model Context Protocol) د MCP څه دی؟ د MCP په توګه فکر وکړئ . USB standard for AI agents دا د وسایلو او خدمتونو لپاره انټرنیټونه مشخصوي. دا مشخصوي چې څنګه اټکلونه context (inputs، outputs، metadata) انتقال کوي. دا Interoperability اجازه ورکوي - په دې معنی کې چې تاسو کولی شئ د یو ایجنټ د نورو لپاره تبادله وکړئ د پایپینټ له امله. د MCP سره، د Passage Extractor ته اړتیا نلري چې د Entity Tagger پراختیا تفصيلات "نوم" کړي. دا یوازې په یو MCP درکوي فورمټ کې جوړ شوي ډاټا (کتاب + انډولونه + ټایټونه) وړاندې کوي. د داخلي اړیکو Inside our pipeline: د Fetcher Agent په MCP فارم کې {title، body، url، timestamp} صادر کوي. د انتقال Extractor {body} واخلي او {passages، embeddings} راځي. د نامتو Entity Extractor {passages} مصرف کوي او {entities} تولید کوي. Entity Disambiguation {entities، context} مصرف کوي او {entity_id} تولید کوي. هر افسر د MCP لخوا ورته "لغوي" خبرې کوي. د بهرني مواصلات د MCP په بهر کې هم کار کوي. د مثال په توګه: د Fetcher Agent د MCP کاروي ترڅو د arXiv API یا د RSS فايبر ته تماس واخلئ. Fact-Checker Agent د MCP کاروي چې د ویکیپیڈیا یا د خبرونو ډاټا کې پوښتنه ورکوي. Daily Digest Agent د MCP کاروي ترڅو د بریښنالیک یا Slack له لارې پایلې وړاندې کړي. د ګټور ګټې دا ده چې کارونکي کولی شي د لکه څنګه چې دا وسایلو د MCP خبرې کوي، لکه څنګه چې د هر USB آله په خپل لیپ ټاپ کې نښلول کیږي. any external tool چرا دا مهمه ده د MCP پرته، هر اډاپټر به د ګمرکونو اډاپټرونو ته اړتیا لري - د یوځای انټرنټونو ناقانونه. سره MCP: د معياري کنټرولونه → د هر ایجنټ د انټرنټ / انټرنټ توقعي ده. Plug-and-play آرشیفیت → تاسو کولی شئ د Sentiment Agent له خوا یو ښه په غره کې بدل کړئ. Scalability → ډیری ایجنټونه کولی شي د اسپګټی کوډ له الرې تعقیب کړي. په بل ډول، MCP دی هغه څه چې د سکرپټونو په ټولګه کې بدل کیږي . modular, extensible agent platform د فکر بندولو د فلیټ، د کلیدي کلمه پر بنسټ فیډ څخه د افسرونو ته د خبرې کڅوړه ته د عمومي خوځښت پلیټ فارم ته د سافټویر چمتو کولو څرنګړنه کوي: له سکرپټ څخه د سیسټمونو ته د اکوسیستمونو ته. خبرونه امروز، arXiv فردا، روزونه او ډیزاین بورډونه وروسته. د نمونې ورته دی: او د MCP سره د لنډولو وړاندې کولو سره، دا ایجنټونه د انفرادي هیکونو څخه مخه ونیسئ او د یو لوی، انټرنېټ وړ سیسټم په برخه کې کار وکړي. feed-to-digest, powered by agents. په "Agent AI" hype کې نلري - د قوي بنسټیزو سره ښه وسایلو جوړ کړئ، او د LLMs څخه ګټه واخلئ چې دوی ارزښت اضافه کوي: ښه کړي، خلاص کړئ، او تکرار کړئ. In the next part, I’ll dive into how you can implement the multi-agent systems with MCP.